Amazons SageMaker-KI verändert die Art und Weise, wie Raumfahrtagenturen die riesigen Datenmengen aus Weltraummissionen verarbeiten. Das Unternehmen gab am 26. Juni 2025 bekannt, dass sein Random Cut Forest (RCF)-Algorithmus von NASA und Blue Origin eingesetzt wird, um Anomalien in den Dynamikdaten von Raumfahrzeugen bei Mondmissionen zu erkennen.
Die Zusammenarbeit konzentriert sich insbesondere auf die Analyse von Daten aus der Demonstration der Deorbit-, Abstiegs- und Landungssensoren (BODDL-TP) von NASA und Blue Origin. Dieser unbeaufsichtigte Machine-Learning-Algorithmus identifiziert ungewöhnliche Muster in Positions-, Geschwindigkeits- und Quaternionen-Orientierungsdaten von Raumfahrzeugen, die auf kritische Momente während des Raumflugs hindeuten könnten.
"Diese Anomalien spiegeln höchstwahrscheinlich die Dynamik des Mondraumfahrzeugs in entscheidenden Manöverphasen während der Demonstration von Deorbit, Abstieg und Landung wider", heißt es in der technischen Dokumentation von Amazon. Die Technologie kann subtile Abweichungen zwischen Datenpunkten erkennen und dabei komplexe Zusammenhänge zwischen mehreren Parametern berücksichtigen – was sie besonders wertvoll für das Monitoring von Raumfahrzeugen macht.
Die Implementierung nutzt Amazons Cloud-Infrastruktur: Missionsdaten werden in S3-Buckets gespeichert und im JupyterLab-Umfeld von SageMaker-KI verarbeitet. Ingenieure trainieren das RCF-Modell mit historischen Missionsdaten und stellen es anschließend an einem skalierbaren Endpunkt für die laufende Anomalieerkennung bereit.
Diese Partnerschaft kommt zu einem wichtigen Zeitpunkt für Blue Origin, das noch in diesem Jahr die Mondlandefähre Blue Moon Mark 1 starten will. Die durch die Anomalieerkennung gewonnenen Erkenntnisse könnten entscheidend für den Erfolg der Mission sein, da sowohl NASA als auch kommerzielle Raumfahrtunternehmen immer ehrgeizigere Ziele bei der Mondforschung verfolgen.
Indem Amazons KI-Technologie auffällige Datenpunkte identifiziert, die im exponentiell wachsenden Volumen an Telemetriedaten aus Weltraummissionen sonst übersehen würden, trägt sie dazu bei, das Monitoring der Raumfahrzeuggesundheit, das Engineering-Design und die Missionsplanung für zukünftige Weltraumforschung zu verbessern.